Badania wyjaśniają, dlaczego teksty generowane przez sztuczną inteligencję są trudne w odbiorze
29 października 2026 · Czas czytania: 2 min
Naukowcy z New York University oraz University of Texas at Austin przeprowadzili badanie, które wykazuje, że zaawansowane modele językowe nadużywają konstrukcji językowych utrudniających zrozumienie treści przez ludzi. Analiza potwierdza, że odpowiedzi generowane przez sztuczną inteligencję, mimo często poprawnej treści, są męczące pod względem językowym.
Badacze przeanalizowali teksty z 14 modeli językowych, w tym Claude, GPT-5.6, GLM-5, Kimi K2.5 oraz mniejszych modeli z otwartym kodem, takich jak Llama i Olmo. Testy objęły trzy scenariusze: swobodne rozmowy, sesje programowania oraz eseje argumentacyjne. W sumie zbadano 120 konwersacji, 45 sesji programowania i 980 esejów, porównując je z ludzkimi tekstami pochodzącymi z napisów filmowych, serwisu StackExchange oraz wypracowań uczniów.
Zidentyfikowano sześć kategorii konstrukcji, które modele nadużywają. Są to nietypowe połączenia słów, rozdzielenie powiązanych części zdania, co obciąża pamięć roboczą, oraz pomijanie spójników w odniesieniach. Modele stosują również nagromadzenie rzeczowników, używają rzeczowników w funkcji czasowników oraz przypisują przedmiotom ludzkie zdolności do działania.
Wyniki wskazują na duże różnice między rodzinami modeli. Llama oraz podstawowy model Olmo piszą w sposób najbardziej zbliżony do ludzkiego. W rodzinie Olmo zauważono, że efekty te nasilają się od modelu podstawowego, przez wersję Instruct, aż po model rozumowania Olmo Think, co sugeruje, że przyczyną jest proces dotrenowania. Z kolei Claude Opus 5.5 wypadł lepiej niż poprzednik Opus 5 w 19 z 21 porównań, co dowodzi, że celowa optymalizacja może poprawić czytelność.
Zdaniem badaczy przyczyną problemu jest proces treningu. Podczas gdy ludzki język jest zoptymalizowany pod kątem komunikacji, nowoczesne modele są trenowane do zadań z zakresu matematyki, programowania i logiki, gdzie nagradzana jest poprawność, a nie jasność. Przejście z uczenia ze wzmocnieniem na podstawie opinii ludzi na uczenie ze wzmocnieniem z weryfikowalnymi nagrodami usuwa człowieka z pętli informacji zwrotnej. Prowadzi to do powstania dialektu, który gęsto kompresuje informacje i jest efektywny dla innych modeli, ale nienaturalny dla ludzi.
Potwierdza to Jackson Kernion z firmy Anthropic, który wskazał, że optymalizacja pod kątem technicznym sprawiła, iż nowsze modele rozwinęły styl dostosowany do psychologii dużych modeli językowych. W wersji Opus 5.5 firma Anthropic podjęła pierwsze próby przeciwdziałania temu zjawisku, skupiając się na jasności zdań i redukcji przeładowanych bloków informacji.